close

為什麼要學習Python?可以從下列TIOBE 排行看出

image

學習新的程式語言得先從基礎開始, 發現這種script-file language其實語法都和MATLAB, R語言 差不多

import numpy as np

例如:

產生一個向量[1, 2, 3, 4]

a = np.array([1, 2, 3, 4])

再來產生一個矩陣

b = np.array([[1, 2, 3],[4, 5, 6]])

當然, 可以再來個transpose試試看

c = np.transpose(b)

和MATLAB語法概念相同, 觀看目前workspace變數有哪些?

whos
Variable   Type       Data/Info
-------------------------------
a          ndarray    4: 4 elems, type `int32`, 16 bytes
b          ndarray    2x3: 6 elems, type `int32`, 24 bytes
c          ndarray    3x2: 6 elems, type `int32`, 24 bytes

觀察向量或陣列維度, 可以用shape

有下列結果可以知道, a預設是行向量

a.shape
Out[11]: (4,)
 
b.shape
Out[12]: (2, 3)
 
c.shape
Out[13]: (3, 2)

產生一個 2x3陣列d

d.shape = 3, –1  指定3列, 行方向元素自動計算, 結果為Out[26]

d.shpae = 3, 2  相同效果

或是d.reshape(3, 2)也可以達到

d.reshape(6, 1) 變成6x1向量, 由此可知, 跟C語言一樣, column wise(行向量方向元素先取出)

而MATLAB則是row –wise(列方向元素先取出)

d = np.array([[1, 2, 3],[4, 5, 6]])
 
d.shape
Out[23]: (2, 3)
 
d.shape = 3, 2
 
d
Out[25]: 
array([[1, 2],
       [3, 4],
       [5, 6]])
 
d
Out[26]: 
array([[1, 2],
       [3, 4],
       [5, 6]])
 
d = np.array([[1, 2, 3],[4, 5, 6]])
 
d
Out[28]: 
array([[1, 2, 3],
       [4, 5, 6]])
 
d.shape
Out[29]: (2, 3)
 
d.shape = 3, -1
 
d
Out[31]: 
array([[1, 2],
       [3, 4],
       [5, 6]])
 
d.reshape(6, 1)
Out[32]: 
array([[1],
       [2],
       [3],
       [4],
       [5],
       [6]])

取出第三列, 第一行元素值

python索引值是從0開始, 跟C語言一樣

MATLAB則是從1開始

Out[41]: 
array([[1, 2],
       [3, 4],
       [5, 6]])
 
In [42]: d[2][0]
Out[42]: 5

修改該元素值5->3

d[2][0]=3
 
d
Out[44]: 
array([[1, 2],
       [3, 4],
       [3, 6]])

資料型態

d.dtype 看起來沒有指定的話, 預設是整數型態, 因此如果事後要存浮點(floating point)會被忽略@@

d.dtype
Out[45]: dtype('int32')
 
d[2][0] = 3.1
 
d.dtype
Out[47]: dtype('int32')
 
d
Out[48]: 
array([[1, 2],
       [3, 4],
       [3, 6]])

資料格式(dtype)指定為floating point

e = np.array([[1, 2, 3],[4, 5, 6]], dtype=np.float)
 
e
Out[50]: 
array([[ 1.,  2.,  3.],
       [ 4.,  5.,  6.]])
 
e[1][1] = 2.3
 
e
Out[52]: 
array([[ 1. ,  2. ,  3. ],
       [ 4. ,  2.3,  6. ]])

np.typeDict 顯示所有資料型態類型

np.typeDict
Out[56]: 
{0: numpy.bool_,
 1: numpy.int8,
 2: numpy.uint8,
 3: numpy.int16,
 4: numpy.uint16,
 5: numpy.int32,
 6: numpy.uint32,
 7: numpy.int32,
 8: numpy.uint32,
 9: numpy.int64,
 10: numpy.uint64,
 11: numpy.float32,
 12: numpy.float64,
 13: numpy.float64,
 14: numpy.complex64,
 15: numpy.complex128,
 16: numpy.complex128,
 17: numpy.object_,
 18: numpy.string_,
 19: numpy.unicode_,
 20: numpy.void,
 21: numpy.datetime64,
 22: numpy.timedelta64,
 23: numpy.float16,
 '?': numpy.bool_,
 'B': numpy.uint8,
 'Bool': numpy.bool_,
 'Complex32': numpy.complex64,
 'Complex64': numpy.complex128,
 'D': numpy.complex128,
 'Datetime64': numpy.datetime64,
 'F': numpy.complex64,
 'Float16': numpy.float16,
 'Float32': numpy.float32,
 'Float64': numpy.float64,
 'G': numpy.complex128,
 'H': numpy.uint16,
 'I': numpy.uint32,
 'Int16': numpy.int16,
 'Int32': numpy.int32,
 'Int64': numpy.int64,
 'Int8': numpy.int8,
 'L': numpy.uint32,
 'M': numpy.datetime64,
 'M8': numpy.datetime64,
 'O': numpy.object_,
 'O4': numpy.object_,
 'Object0': numpy.object_,
 'P': numpy.uint32,
 'Q': numpy.uint64,
 'S': numpy.string_,
 'String0': numpy.string_,
 'Timedelta64': numpy.timedelta64,
 'U': numpy.unicode_,
 'UInt16': numpy.uint16,
 'UInt32': numpy.uint32,
 'UInt64': numpy.uint64,
 'UInt8': numpy.uint8,
 'Unicode0': numpy.unicode_,
 'V': numpy.void,
 'Void0': numpy.void,
 'a': numpy.string_,
 'b': numpy.int8,
 'b1': numpy.bool_,
 'bool': numpy.bool_,
 'bool8': numpy.bool_,
 'bool_': numpy.bool_,
 'byte': numpy.int8,
 'bytes_': numpy.string_,
 'c16': numpy.complex128,
 'c8': numpy.complex64,
 'cdouble': numpy.complex128,
 'cfloat': numpy.complex128,
 'clongdouble': numpy.complex128,
 'clongfloat': numpy.complex128,
 'complex': numpy.complex128,
 'complex128': numpy.complex128,
 'complex64': numpy.complex64,
 'complex_': numpy.complex128,
 'csingle': numpy.complex64,
 'd': numpy.float64,
 'datetime64': numpy.datetime64,
 'double': numpy.float64,
 'e': numpy.float16,
 'f': numpy.float32,
 'f2': numpy.float16,
 'f4': numpy.float32,
 'f8': numpy.float64,
 'float': numpy.float64,
 'float16': numpy.float16,
 'float32': numpy.float32,
 'float64': numpy.float64,
 'float_': numpy.float64,
 'g': numpy.float64,
 'h': numpy.int16,
 'half': numpy.float16,
 'i': numpy.int32,
 'i1': numpy.int8,
 'i2': numpy.int16,
 'i4': numpy.int32,
 'i8': numpy.int64,
 'int': numpy.int32,
 'int0': numpy.int32,
 'int16': numpy.int16,
 'int32': numpy.int32,
 'int64': numpy.int64,
 'int8': numpy.int8,
 'int_': numpy.int32,
 'intc': numpy.int32,
 'intp': numpy.int32,
 'l': numpy.int32,
 'longcomplex': numpy.complex128,
 'longdouble': numpy.float64,
 'longfloat': numpy.float64,
 'longlong': numpy.int64,
 'm': numpy.timedelta64,
 'm8': numpy.timedelta64,
 'object': numpy.object_,
 'object0': numpy.object_,
 'object_': numpy.object_,
 'p': numpy.int32,
 'q': numpy.int64,
 'short': numpy.int16,
 'single': numpy.float32,
 'singlecomplex': numpy.complex64,
 'str': numpy.string_,
 'str_': numpy.string_,
 'string': numpy.string_,
 'string0': numpy.string_,
 'string_': numpy.string_,
 'timedelta64': numpy.timedelta64,
 'u1': numpy.uint8,
 'u2': numpy.uint16,
 'u4': numpy.uint32,
 'u8': numpy.uint64,
 'ubyte': numpy.uint8,
 'uint': numpy.uint32,
 'uint0': numpy.uint32,
 'uint16': numpy.uint16,
 'uint32': numpy.uint32,
 'uint64': numpy.uint64,
 'uint8': numpy.uint8,
 'uintc': numpy.uint32,
 'uintp': numpy.uint32,
 'ulonglong': numpy.uint64,
 'unicode': numpy.unicode_,
 'unicode0': numpy.unicode_,
 'unicode_': numpy.unicode_,
 'ushort': numpy.uint16,
 'void': numpy.void,
 'void0': numpy.void}

初始化zeros

a = np.zeros((2,2), np.float)
 
a
Out[64]: 
array([[ 0.,  0.],
       [ 0.,  0.]])
 
a[0][0] = 1.2
 
a
Out[66]: 
array([[ 1.2,  0. ],
       [ 0. ,  0. ]])

初始化ones陣列

 
c = np.ones((3,2), np.float64)
 
c
Out[71]: 
array([[ 1.,  1.],
       [ 1.,  1.],
       [ 1.,  1.]])

字串

取出一段字串[起始索引:結束索引]

str  = 'Hello world'
 
str[0:4]
Out[84]: 'Hell'
 
str[1:4]
Out[85]: 'ell'
 
str[1:]
Out[86]: 'ello world'

九九乘法表

def func(i, j):
    return (i+1)*(j+1)
 

呼叫func, (2,1) 表示2列1行

 
a = np.fromfunction(func, (2,1))
 
a
Out[15]: 
array([[ 1.],
       [ 2.]])

或是2列3行

 
a = np.fromfunction(func, (2,3))
 
a
Out[17]: 
array([[ 1.,  2.,  3.],
       [ 2.,  4.,  6.]])
a.shape
Out[18]: (2, 3)

如果想得到9x9

a = np.fromfunction(func, (9, 9))
 
a
Out[20]: 
array([[  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.],
       [  2.,   4.,   6.,   8.,  10.,  12.,  14.,  16.,  18.],
       [  3.,   6.,   9.,  12.,  15.,  18.,  21.,  24.,  27.],
       [  4.,   8.,  12.,  16.,  20.,  24.,  28.,  32.,  36.],
       [  5.,  10.,  15.,  20.,  25.,  30.,  35.,  40.,  45.],
       [  6.,  12.,  18.,  24.,  30.,  36.,  42.,  48.,  54.],
       [  7.,  14.,  21.,  28.,  35.,  42.,  49.,  56.,  63.],
       [  8.,  16.,  24.,  32.,  40.,  48.,  56.,  64.,  72.],
       [  9.,  18.,  27.,  36.,  45.,  54.,  63.,  72.,  81.]])

陣列和一個純量相減

a-1
Out[21]: 
array([[  0.,   1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.],
       [  1.,   3.,   5.,   7.,   9.,  11.,  13.,  15.,  17.],
       [  2.,   5.,   8.,  11.,  14.,  17.,  20.,  23.,  26.],
       [  3.,   7.,  11.,  15.,  19.,  23.,  27.,  31.,  35.],
       [  4.,   9.,  14.,  19.,  24.,  29.,  34.,  39.,  44.],
       [  5.,  11.,  17.,  23.,  29.,  35.,  41.,  47.,  53.],
       [  6.,  13.,  20.,  27.,  34.,  41.,  48.,  55.,  62.],
       [  7.,  15.,  23.,  31.,  39.,  47.,  55.,  63.,  71.],
       [  8.,  17.,  26.,  35.,  44.,  53.,  62.,  71.,  80.]])

存取元素 arange

(起始, 終值, 間隔)

a = 0~9

a = np.arange(10)
a
Out[37]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

從第2個開始取, 取到最後一個

a[2:]
Out[44]: array([2, 3, 4, 5, 6, 7, 8, 9])

從前面開始取, 一直取到後面倒數第2個, 取到第一個

a[:-1]
Out[38]: array([0, 1, 2, 3, 4, 5, 6, 7, 8])

從第一個開始取, 間隔2

a[0:9:2]
Out[24]: array([0, 2, 4, 6, 8])

終值索引若超過向量元素似乎也不會有錯誤訊息跳出

這樣似乎怪怪的!!

a[0:9:3]
Out[25]: array([0, 3, 6])
 
a[0:10:3]
Out[26]: array([0, 3, 6, 9])
 
a[0:11:3]
Out[27]: array([0, 3, 6, 9])

利用索引改變向量元素, 等號右邊的內容用逗點隔開

a[2:4] = 100, 102
 
a
Out[30]: array([  0,   1, 100, 102,   4,   5,   6,   7,   8,   9])

利用索引改變向量元素, 等號右邊也是一個array

a[2:4] = np.array([-1, 1])
 
a
Out[32]: array([ 0,  1, -1,  1,  4,  5,  6,  7,  8,  9])

測試等號左右兩邊的長度不一致

image

終值索引用-1, 表示倒數第二個(也就是9-1=8)

終值索引如果省略, 表示取到最後

a
Out[41]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
 
a[1:-1:2]
Out[42]: array([1, 3, 5, 7])
 
a[1::2]
Out[44]: array([1, 3, 5, 7, 9])

起始和終值索引全都省略, 間隔-1 表示索引由後往前取

a[::-1]
Out[45]: array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])

最後一個開始取, 每次往前2個取

a[:0:-2]
Out[47]: array([9, 7, 5, 3, 1])


起始10, 終值:1(不包含), 間隔-1

x = np.arange(10, 1, -1)
 
x
Out[3]: array([10,  9,  8,  7,  6,  5,  4,  3,  2])

取出x索引 [2, 3, 0, 1]對應的元素, 並構成一個新的向量y

y= x[[2, 3, 0, 1]]
 
y
Out[6]: array([ 8,  7, 10,  9])

索引也可以是負, 表示從後面數回來

z= x[[2, 3, -3, 1]]
 
z
Out[10]: array([8, 7, 4, 9])

將z前兩筆歸零

z[0:2:1]=0
 
z
Out[12]: array([0, 0, 4, 9])

最後兩筆變成100

起始-1(最後一筆), 終值:1(不包含), 間隔-1

 
z[-1:1:-1]=100
 
z
Out[16]: array([  0,   0, 100, 100])

取出x大於5的元素並構成新的向量

 
x
Out[17]: array([10,  9,  8,  7,  6,  5,  4,  3,  2])
 
x>5
Out[19]: array([ True,  True,  True,  True,  True, False, False, False, False], dtype=bool)
 
x[x>5]
Out[20]: array([10,  9,  8,  7,  6])

將x大於5的元素寫成0

x[x>5]=0
 
x
Out[23]: array([0, 0, 0, 0, 0, 5, 4, 3, 2])

產生一個10x1向量, 每個元素值介於[0, 1)

 
z = np.random.rand(10)
 
z
Out[25]: 
array([ 0.57139372,  0.00593147,  0.19798652,  0.90542383,  0.13065599,
        0.32477211,  0.20081874,  0.88151765,  0.91825765,  0.73463061])

回傳大於0.5的索引值

ind = np.nonzero(z>0.5)
 
ind
Out[33]: (array([0, 3, 7, 8, 9]),)

回傳索引值對應的元素

z[ind]
Out[40]: array([ 0.57139372,  0.90542383,  0.88151765,  0.91825765,  0.73463061])

清空 x<0.5的元素

x
Out[3]: 
array([ 0.87117325,  0.17040794,  0.77082202,  0.0863664 ,  0.4147697 ,
        0.29711409,  0.5843669 ,  0.56299779,  0.05095969,  0.55264383])
 
x[x<0.5]=[None]
 
x
Out[9]: 
array([ 0.87117325,         nan,  0.77082202,         nan,         nan,
               nan,  0.5843669 ,  0.56299779,         nan,  0.55264383])

將nan的數值用0取代

ind = np.isnan(x)
 
x[ind] = 0
 
x
Out[13]: 
array([ 0.87117325,  0.        ,  0.77082202,  0.        ,  0.        ,
        0.        ,  0.5843669 ,  0.56299779,  0.        ,  0.55264383])

起始0, 終值:60(不包含), 間隔10

a = np.arange(0, 60, 10)
 
 
ut[2]: array([ 0, 10, 20, 30, 40, 50])

將a維度改成(-1,1)得到行向量b,

其中-1表示列方向長度不指定(由Python函式計算),1表示行方向個數等於1,

b = np.reshape(a, (-1,1))
 
b
Out[4]: 
array([[ 0],
       [10],
       [20],
       [30],
       [40],
       [50]])

產生另一組列向量c

c = np.arange(0, 6)
 
c
Out[6]: array([0, 1, 2, 3, 4, 5])

如果將b+c會發生甚麼事情?

MATLAB會告訴你資料維度不符合, 所以無法進行+運算

但Python會認為你想要進行.+


d矩陣第1行是b+c[0],


d矩陣第2行是b+c[1],

以此類推,…

d矩陣第5行是b+c[4],

d = b+c
 
d
Out[8]: 
array([[ 0,  1,  2,  3,  4,  5],
       [10, 11, 12, 13, 14, 15],
       [20, 21, 22, 23, 24, 25],
       [30, 31, 32, 33, 34, 35],
       [40, 41, 42, 43, 44, 45],
       [50, 51, 52, 53, 54, 55]])

接下來, 想取出d[0, 3:5], 也就是第1列, 第4~5行

d[0, 3:5]
Out[9]: array([3, 4])

想取出d[4:,4:]

就是第4列取到最後, 第4行取到最後

 
d[4:, 4:]
Out[11]: 
array([[44, 45],
       [54, 55]])

想取出d所有列, 第2行

接著, 觀察d[:,2]資料長度

d[:, 2]
Out[12]: array([ 2, 12, 22, 32, 42, 52])
 
d[:, 2].shape
Out[13]: (6,)
想取出第2列間隔2取到最後, 行方向從頭, 間隔2取到最後
d[2::2, ::2]
 
Out[22]: 
array([[20, 22, 24],
       [40, 42, 44]])


d[2::2, ::2]其中索引值可以由slice物件產生, 如下

slice(起始, 結束, 間隔)

ind = slice(2, None, 2), slice(None, None, 2)
 
ind
Out[26]: (slice(2, None, 2), slice(None, None, 2))
 
d[ind]
Out[27]: 
array([[20, 22, 24],
       [40, 42, 44]])






參考資料

1. Python科學計算

2. Victor’s Python中文教程

3. How do I get a empty array of any size I want in python?

全站熱搜
創作者介紹
創作者 me1237guy 的頭像
me1237guy

天天向上

me1237guy 發表在 痞客邦 留言(0) 人氣()